Anthropic Explora a Memória de IA com Técnicas de Sonho e Saliência

A Anthropic publicou novas percepções sobre o design de sistemas de memória para agentes de IA, focando em como seus modelos Claude retêm e organizam conhecimento entre sessões. A pesquisa, intitulada "Os componentes da memória do agente" e lançada em 2026-11-06, descreve estratégias como "sonhar" e marcação de saliência para aprimorar a funcionalidade da memória.

Organização da Memória Inspirada na Cognição Humana

O estudo traça paralelos entre os processos de memória humana e os sistemas de memória de IA. Nos humanos, o hipocampo captura experiências em tempo real, enquanto períodos offline, como o sono, permitem que o cérebro consolide essas experiências em conhecimento a longo prazo armazenado no neocórtex. Da mesma forma, a Anthropic emprega um processo de "sonhar" para o Claude, onde o modelo reflete sobre logs de sessão durante os períodos de inatividade para corrigir erros, criar anotações e reorganizar a memória em representações vinculadas, como wikis.

API Dreams da Anthropic facilita esse processo consumindo armazenamentos de memória existentes e transcrições de sessão para produzir saídas refinadas sem alterar os dados originais. Esta tarefa assíncrona pode envolver uma a 100 transcrições de sessão, permitindo que o modelo consolide e valide informações de maneira eficaz.

Avaliando as Capacidades de Memória do Claude

A Anthropic testou os sistemas de memória do Claude usando tarefas do Continual Learning Bench (CL-Bench) 1.0 e outros benchmarks. Em um experimento, o Claude foi encarregado de responder a consultas de banco de dados e escrever notas de memória para melhorar o desempenho futuro. Modelos avançados como Claude Opus 5 e Opus 5.5 demonstraram a capacidade de fechar ciclos de aprendizado registrando regras validadas e identificando potenciais armadilhas, superando iterações anteriores, como Sonnet 4.6 e Opus 4.7.

Em uma avaliação separada, a capacidade do Claude de jogar Pokémon Red foi usada para testar seu julgamento sobre o que salvar na memória. Modelos como Sonnet 3.7 escreveram arquivos de memória detalhados, mas excessivos, levando a ineficiências, enquanto Fable 5 priorizou informações salientes, resultando em um melhor desempenho. Fable 5 ganhou quatro insígnias com apenas nove arquivos de memória, em comparação com a única insígnia de Sonnet 3.7 e 413 arquivos.

Impacto do Sonhar no Desempenho

A Anthropic também explorou o impacto do sonhar na consolidação da memória através de um experimento de construção de wiki. Usando aproximadamente 350,000 documentos internos, o estudo mostrou que aumentar as sessões de sonho de duas para 128 melhorou o desempenho em critérios avaliados de 13% a 48%. Em outro exemplo, o sonhar corrigiu uma nota de memória enganosa durante uma tarefa de navegação de jogo, permitindo que o Claude progredisse onde outras configurações falharam.

Lições Chave para Profissionais de IA

A pesquisa enfatiza que o armazenamento persistente por si só é insuficiente para uma memória de IA eficaz. Os sistemas de memória precisam incorporar verificação de evidências, correção, organização e recuperação seletiva para apoiar o desempenho em tarefas de longo prazo. As descobertas da Anthropic destacam a importância de projetar processos de memória que equilibrem as demandas de tarefas em tempo real com a utilidade futura, oferecendo insights valiosos para o avanço das capacidades de IA.